Fugu-MT 論文翻訳(概要): Artifact: Measuring and Mitigating Gaps in Structural Testing

論文の概要: Artifact: Measuring and Mitigating Gaps in Structural Testing

arxiv url: http://arxiv.org/abs/2308.00316v1
Date: Tue, 1 Aug 2023 06:28:05 GMT
ステータス: 処理完了
システム内更新日: 2023-10-23 15:41:22.044865
Title: Artifact: Measuring and Mitigating Gaps in Structural Testing
Title（参考訳）: アーティファクト:構造テストにおけるギャップの測定と緩和
Authors: Soneya Binta Hossain, Matthew B. Dwyer, Sebastian Elbaum, Anh Nguyen-Tuong
Abstract要約: アーティファクトはGitHub、Software Heritage、figshareで公開されており、再利用可能である。このアーティファクトは、必要なデータ、ツール、スクリプト、そして実験を実行し、論文に示されている結果を再現するための詳細なドキュメントで構成されている。
参考スコア（独自算出の注目度）: 19.75992814203539
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The artifact used for evaluating the experimental results of Measuring and Mitigating Gaps in Structural Testing is publicly available on GitHub, Software Heritage and figshare, and is reusable. The artifact consists of necessary data, tools, scripts, and detailed documentation for running the experiments and reproducing the results shown in the paper. We have also provided a VirtualBox VM image allowing users to quickly setup and reproduce the results. Users are expected to be familiar using the VirtualBox software and Linux platform for evaluating or reusing the artifact.
Abstract（参考訳）: 構造テストのギャップを計測し、緩和する実験結果を評価するために使用されるアーティファクトは、github、software heritage、figshareで公開されている。アーティファクトは必要なデータ、ツール、スクリプト、および実験を実行し、論文に示した結果を再現するための詳細なドキュメントで構成されている。また,VirtualBox VMイメージも提供しています。ユーザはVirtualBoxソフトウェアとLinuxプラットフォームを使ってアーティファクトの評価や再利用に慣れていると期待されている。

関連論文リスト

Commit0: Library Generation from Scratch [77.38414688148006]
Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。 Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
論文参考訳（メタデータ） (2024-12-02T18:11:30Z)
A toolbox for calculating objective image properties in aesthetics research [0.0]
「美学ツールボックス」では、現代研究でよく見られる量的画像特性の集合を正確に計算することができる。性質としては、光度と色統計、フーリエスペクトル特性、フラクタル性、自己相似性、対称性、異なるエントロピー測度とCNNに基づく分散がある。
論文参考訳（メタデータ） (2024-08-20T07:49:43Z)
BRIDGE: Bridging Gaps in Image Captioning Evaluation with Stronger Visual Cues [47.213906345208315]
本稿では,新たな学習可能かつ参照不要な画像キャプション指標BRIDGEを提案する。提案手法は,既存の基準フリー評価スコアと比較して,最先端の結果が得られる。
論文参考訳（メタデータ） (2024-07-29T18:00:17Z)
MVAD: A Multiple Visual Artifact Detector for Video Streaming [7.154108202395319]
ヴィジュアルアーティファクトは、しばしば、コンテンツ制作と配信の間、一般的な条件のために、ストリーミングされたビデオコンテンツに導入される。既存の検出方法は、しばしば単一の種類のアーティファクトに集中し、アーティファクトの存在を決定する。本稿では,ビデオストリーミングのためのマルチビジュアルアーティファクト検出器であるMVADを提案し,複数のアーティファクトを初めて検出できる。
論文参考訳（メタデータ） (2024-05-31T21:56:04Z)
Tool Documentation Enables Zero-Shot Tool-Usage with Large Language Models [90.96816639172464]
大規模言語モデル(LLM)は、ツールの使用のデモを提供することで、新しいツールを使用するように教えられている。デモよりも、ツールドキュメンテーションの使用、個々のツール使用方法の説明を推奨します。
論文参考訳（メタデータ） (2023-08-01T17:21:38Z)
A Backend Platform for Supporting the Reproducibility of Computational Experiments [2.1485350418225244]
同じフレームワークやコード、データソース、プログラミング言語、依存関係などを使って、同じ環境を再現することは困難です。本研究では,実験の共有,構成,パッケージング,実行を可能にする統合開発環境を提案する。これらの実験の20(80%)を再現し,その成果を最小限の努力で得られた。
論文参考訳（メタデータ） (2023-06-29T10:29:11Z)
LeanDojo: Theorem Proving with Retrieval-Augmented Language Models [72.54339382005732]
大規模言語モデル(LLM)は、Leanのような証明アシスタントを使って形式的な定理を証明することを約束している。既存のメソッドは、プライベートコード、データ、計算要求のために、複製や構築が難しい。本稿では、ツールキット、データ、モデルからなるオープンソースのリーンツールキットであるLeanDojoを紹介します。本研究では,LLM ベースの証明器 ReProver を開発した。
論文参考訳（メタデータ） (2023-06-27T17:05:32Z)
Detecting Images Generated by Diffusers [12.986394431694206]
MSCOCOとWikimediaのデータセットのキャプションから生成された画像は、安定拡散とGLIDEの2つの最先端モデルを用いて検討する。実験の結果, 単純なマルチ層パーセプトロンを用いて生成した画像を検出することができることがわかった。関連したテキスト情報を画像に組み込むと、検出結果が大幅に改善されることは滅多にない。
論文参考訳（メタデータ） (2023-03-09T14:14:29Z)
Benchopt: Reproducible, efficient and collaborative optimization benchmarks [67.29240500171532]
Benchoptは、機械学習で最適化ベンチマークを自動化、再生、公開するためのフレームワークである。 Benchoptは実験を実行、共有、拡張するための既製のツールを提供することで、コミュニティのベンチマークを簡単にする。
論文参考訳（メタデータ） (2022-06-27T16:19:24Z)
Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文参考訳（メタデータ） (2021-10-09T16:09:27Z)
From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
論文参考訳（メタデータ） (2020-05-22T17:39:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。